随着信息时代的快速发展,社交网络平台成为人们交流工作、发表意见、联络感情的第二世界。人们在其中不仅作为信息的接收者,而且可以通过平台机制将这些信息进行实时传播和快速扩散。这个过程让社交网络平台的信息能够在短时间内获得巨大的关注量和影响力,甚至衍生为一种现象级的新闻事件。其中蕴含的舆情数据的作用至关重要,堪称民情民意的风向标。因此,网络舆情的研究受到越来越多人的关注和重视。为了准确地在大量网络舆情数据中发现热点并分析其热度,本文针对微博舆情数据的热点挖掘工作进行研究,主要工作内容包括:第一,针对传统聚类算法K-means++在初始点优化方面的缺陷,结合Word2Vec模型提出一种针对网络舆情数据的热点发现改进算法—WPK-means++（Word to vector Penalty factor K-means++）。该算法引入惩罚因子来弥补Kmeans++应用于热点话题分布散乱的短文本数据受离群点影响的问题,减少文本聚类算法初始聚类中心的无效覆盖范围,并通过对比实验的分析验证了该算法最终聚类结果的准确率和效率。在此基础上对热点发现与跟踪模型的整体架构进行设计,给出了设计思路和架构图,利用中文分词、去除停用词等数据预处理手段,对原始数据集进行具有针对性的预处理工作,并且利用词嵌入模型对预处理的结果集进行文本建模。最终以微博舆情数据集为语料进行热点发现实验分析。第二,针对微博舆情数据不仅受数量的影响同时也要体现关联性的特点,首先对候选关键词的权重计算进行优化,采用词频、词的逆文档频率以及互信息相结合来计算候选关键词的综合权重,既考虑关键词本身对权重的影响,也考虑了词与词、词与文档之间的关联程度,赋予网络文本关键词更准确的权重值。第三,鉴于微博数据传播机制的特点,微博话题的热度值会受到转发量、评论数、点赞次数以及发表时间的影响,为此引入微博舆情数据关键词的热度影响因子来提高针对微博舆情数据热度计算的准确率。并在此基础上提出一种基于综合权重计算和热度影响因子的改进算法—CWHIF-TR（Comprehensive Weight Heat Influence Factor Text Rank）。构建针对微博文本的热度分析模型,完成热点关键词热度分析实验和摘要句热度分析实验,为热度计算的相关研究提供思路。